You are on page 1of 35

ASIMOV - 89 - AUTOVALORES

AUTOVALORES Y AUTOVECTORES
Vamos a ver un poco de teoría sobre autovalores y autovectores. Quizás en algún
otro libro los encuentres como eigenvalores (o valores propios) y eigenvectores
(o vectores propios). Te lo cuento para que no te desorientes si encontrás estos
nombres raros.

Bien, empecemos por definir esto: ...

Definición: “Si A es una matriz n x n, decimos que un vector distinto de


0 en Rn es un autovector de A si se cumple:

Ax = λx

Donde λ es algún escalar, que es entonces llamado autovalor de A.


Además, decimos que x es un autovector asociado al autovalor λ.”

Se va entendiendo hasta ahora ? No ? Bueno, veamos un ejemplo:


Si tenemos la matriz A, decimos que x es un autovector asociado a λ donde:

⎛3 0 ⎞ ⎛1⎞
A = ⎜⎜ ⎟⎟ x = ⎜⎜ ⎟⎟ λ=3
⎝ 8 − 1⎠ ⎝ 2⎠
Porque
⎛ 3 0 ⎞⎛ 1 ⎞ ⎛ 3 ⎞ ⎛ 1 ⎞
Ax = ⎜⎜ ⎟⎟⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = 3⎜⎜ ⎟⎟ = 3 x = λx
⎝ 8 − 1⎠⎝ 2 ⎠ ⎝ 6 ⎠ ⎝ 2 ⎠

La pregunta sería: ¡¿cómo encontramos uno de estos autovalores?! Pues bien, veamos:

Ax = λx ≈ Ax = λIx ≈ (λI − A)x = 0

O sea, hemos reescrito la definición de autovalor (autovector) de manera de poder


expresarlo como un sistema homogéneo, y por un viejo Teorema ya conocido, sabemos
que el sistema tiene solución distinta de 0 si y solo si el determinante de esa
expresión es igual a 0. Eso es lo que a nosotros nos permitiría decir que λ es
autovalor de A !!!!
Entonces llegamos a la expresión:

Det (λI-A) = O que es la llamada “ecuación característica de A”


ASIMOV - 90 - AUTOVALORES

Los escalares que satisfagan esta ecuación serán los autovalores de A. Si desarro-
llamos este determinante, llegamos a lo que llamamos “el polinomio característico de
A = P(λ)”.

Como ayuda-memoria, recordá estas propiedades:

λ es autovalor ⇔ ∃ un autovector x ≠ 0 asociado a él.

λ es autovalor ⇔ (λI-A) es no inversible ⇔ det(λI-A) = 0

Sí, ya sé, querés un ejemplito que aclare un poco más todo esto que hemos dicho
(con justos motivos, es algo complicado) ... ahí va:

Ejemplo:
Si nos piden que hallemos los autovalores y los autovectores asociados de alguna
matriz, hago esto: Tengo la matriz:
⎛ 3 1/ 2⎞
A = ⎜⎜ ⎟⎟
⎝6 1 ⎠
Calculo (λI-A):

1 0⎞ ⎛ 3 1/ 2 ⎞ ⎛ λ 0 ⎞ ⎛ 3 1/ 2 ⎞ ⎛ λ − 3 − 1/ 2⎞
(λI − A) = λ⎛⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝0 1⎠ ⎝6 1 ⎠ ⎝ 0 λ⎠ ⎝6 1 ⎠ ⎝ − 6 λ −1 ⎠

Ahora veamos su determinante:

⎛ λ − 3 −1/ 2 ⎞
det(λI − A) = det⎜⎜ ⎟⎟ = (λ − 3)(λ − 1) − (6.1 / 2) =
⎝ − 6 λ −1 ⎠
= λ2 − 4λ = polinomio característico de A = P(λ)

Qué nos quedó ? Sí ! Una ecuación cuadrática ! Para resolver el valor de λ tenemos
que calcular las raíces de:

λ2 − 4λ = 0 ⇒ tenemos 2 autovalores para A: λ1 = 0 y λ2 = 4

Ahora, para ver qué autovectores tiene asociado cada unos de estos autovalores, lo
que voy a hacer es escribir: Ax = λix (i = 1, 2)
λ1 = 0 :
⎛ 3 1 / 2 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ 3 x1 + x2 / 2 ⎞ ⎛ 0 ⎞
Ax = λ1 x ≈ ⎜⎜ ⎟⎟⎜⎜ ⎟⎟ = 0⎜⎜ ⎟⎟ ≈ ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝ 6 1 ⎠⎝ x2 ⎠ ⎝ x2 ⎠ ⎝ 6 x1 + x 2 ⎠ ⎝0⎠
Nos queda un sistemita de ecuaciones:
ASIMOV - 91 - AUTOVALORES

3x1 + x2/2 = 0 ⇒ -6x1 = x2


6x1 + x2 = 0 ⇒ 6x1 = 6x1

Si tomamos x1 = 1 ⇒ x2 = - 6 ⇒ (x1 , x2) = ( 1 , - 6 )

¿ Qué nos dice esto ? Que todo vector de la forma (k , -6k) con k ≠ 0, es un
autovector de A asociado a λ1 = 0; en particular elegimos el vector (1 , -6) y le
llamaremos autovector asociado al autovalor λ1 = 0. Una manera más formal y
bonita de escribir esto que puse sería:

W1 = { (x1 , x2) ∈ R2 / (x1 , x2) = (k , -6k) ∀ k ∈ R }

El conjunto de vectores x que cumplen que Ax = λx conforman


el subespacio asociado al autovalor λ, más el vector nulo .
( No confundirse ! el vector nulo no es autovector asociado,
solo aparece por definición de subespacio).

Estos subespacios asociados son también llamados Espacios Invariantes. Esto se


debe a que al aplicar la Transformación Lineal que la matriz A representa, a los
vectores de este subespacio, resulta un vector que también pertenece al subespacio.
O sea, el aplicar A al subespacio asociado, devuelve el mismo subespacio !

También podemos darle otro significado más al efecto de una matriz y sus
autovectores, la llamada interpretación geométrica:

Si λ es un autovalor de A que tiene asociado el autovector x, entonces Ax = λx,


de modo que la multiplicación por A dilata o contrae a x, o invierte su dirección,
dependiendo del valor de λ.

Uy nos fuimos! ... volvamos al ejemplo ... Repetimos la historia para el otro autovalor
λ2 = 4 : En este caso nos queda un sistema de ecuaciones de la forma:

3x1 + x2/2 = 4x1 ⇒ 2x1 = x2


6x1 + x2 = 4x2 ⇒ 8x1 = 8x1

Si tomamos x1 = 1 ⇒ x2 = 2 ⇒ (x1 , x2) = (1 , 2)

De nuevo traducimos: con el autovalor λ2 = 4 esta asociado el autoespacio vectorial


generado por (1 , 2).
ASIMOV - 92 - AUTOVALORES

Todo vector de la forma (k , 2k) con k ≠ 0 de este subespacio, es un autovector de A


asociado a λ2 = 4 ...

W2 = { (x1 , x2) ∈ R2 / (x1 , x2) = (k , 2k) ∀ k ∈ R }

Ahora veamos otro ejemplo, para no quedarnos sólo con las ocasiones en que todo
funciona perfecto, porque no siempre es así...
Ejemplo:
⎛ 0 3⎞
Si ahora la matriz que nos dan es A = ⎜⎜ ⎟⎟ y nos vuelven a pedir sus
⎝ − 5 0⎠
autovalores, repetimos lo anterior. Recordá, primero escribimos ( λ I − A ):

1 0 ⎞ ⎛ 0 3 ⎞ ⎛ λ 0 ⎞ ⎛ 0 3 ⎞ ⎛ λ − 3⎞
(λI − A) = λ⎛⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝ 0 1⎠ ⎝ − 3 0⎠ ⎝ 0 λ ⎠ ⎝ − 3 0⎠ ⎝ 3 λ ⎠
Ahora vemos su determinante:
⎛ λ − 3⎞ 2
det(λI − A) = det⎜⎜ ⎟⎟ = λ + 9 = P(λ)
⎝3 λ ⎠
Ahora la ecuación que deberemos resolver será: λ2 + 9 = 0. Peroooooo ... sus raíces
son λ = ± 3 i que son números imaginarios ! Si estamos suponiendo que trabajamos
sólo para valores reales, en este caso diríamos que A no tiene autovalores.
En estos dos casos fue más que simple la resolución, en general es siempre así ... ¿ en
qué se puede complicar ? Pues bien, podemos tener un determinante feo de calcular o
que la ecuación del polinomio característico sea molesta de resolver ... pero ya
estamos acostumbrados a eso, ¿ no ?
En general lo complicado del cálculo de autovalores y autovectores aumenta con el
tamaño de la matriz que estemos tratando. Te paso un último ejemplo que engloba
lo que te digo para que veas a qué me refiero:

Ejemplo: Supongamos que tenemos una matriz 3x3, y hay que averiguar sus
autovalores. Hacemos igual que antes. Primero veamos cuál es la matriz:

⎛1 8 4⎞
⎜ ⎟
A = ⎜ 2 7 3⎟
⎜ 3 6 2⎟
⎝ ⎠
Y el pedazo de cuenta que hay que hacer es el siguiente:

⎛⎛ λ 0 0 ⎞ ⎛ 1 8 4⎞⎞ ⎛ λ −1 − 8 −4 ⎞
⎜⎜ ⎟ ⎜ ⎟⎟ ⎜ ⎟
det (λI − A) = det⎜ ⎜ 0 λ 0 ⎟ − ⎜ 2 7 3 ⎟ ⎟ = det⎜ − 2 λ − 7 − 3 ⎟
⎜⎜ 0 0 λ ⎟ ⎜ 3 6 2⎟⎟ ⎜ −3 − 6 λ − 2 ⎟⎠
⎝⎝ ⎠ ⎝ ⎠⎠ ⎝
ASIMOV - 93 - AUTOVALORES

El cálculo es largo, feo, y sobre todo, propenso a que hagamos muuuuchos errores en
el camino. Es justo acá donde más cuidado hay que tener. El resultado es:

P(λ) = λ3 – 10 λ2 – 23 λ
( Se entiende a lo que me refiero con determinantes feos de calcular ? Ni un solo 0
que permita simplificar la cuenta !! )
Ahora que resolvimos este horrible determinante, lo que tenemos que hacer es calcu-
lar las raíces del polinomio característico ... que también es una espantosidad !!!
Tenemos que resolver una ecuación cúbica !
Bueno, finalmente podemos decir que los autovalores de la matriz A son:

λ1 = 0 λ 2 = 5 + 4 3 λ 3 = 5 − 4 3
En definitiva, el método de calcular autovalores no es complicado, sólo te la complican
el determinante y el polinomio característico.
Hay que tener siempre en cuenta todas las propiedades de los determinantes para
hacer más fácil los cálculos, sino podemos vernos metidos en una cantidad impensable
de cuentas, y a recordar: cuantas menos cuentas hagamos, mejor! De eso se trata la
matemática: poder resolver las cosas tratando de hacer la menor cantidad de
cálculos posibles.

Ahora veamos algunas propiedades de los autovalores y autovectores:

• Una matriz real simétrica tiene sus autovalores reales.


• Los autovalores de una matriz, son los recíprocos de los autovalores
de su matriz inversa, pero los autovectores son los mismos.
• Los autovalores de una matriz son iguales a los de su transpuesta.
• Los autovalores de una matriz diagonal o triangular, son los elementos
de la diagonal principal.
• La suma de los autovalores de una matriz cualquiera, es igual a la
traza de esa matriz.
• Si una matriz se multiplica por una constante, los autovalores
resultarán multiplicados por esa constante, pero los autovectores no
cambian.
• Los autovectores de autoespacios diferentes de una matriz simétrica
son siempre ortogonales entre sí.
• Si dos matrices son semejantes, tienen los mismos autovalores.

Acá van un poco más de ejemplos, confirmando algunas de estas propiedades.


ASIMOV - 94 - AUTOVALORES

Ytambién para que veas el método a seguir en la resolución de este tipo de problemas
con esto de los autovalores y los autovectores. (y qué problemas ! )

Ejemplos (son muchos, pero es para que quede claro qué son estas propiedades):

• ⎛ 1 1 2⎞ ⎛ λ −1 −1 −2 ⎞
⎜ ⎟ ⎜ ⎟
A = ⎜ 0 2 2 ⎟ ⇒ (λI − A) = ⎜ 0 λ−2 −2 ⎟
⎜ −1 1 3⎟ ⎜ 1 − 1 λ − 3 ⎟⎠
⎝ ⎠ ⎝
⇒ det(λI − A) = λ3 − 6λ2 + 11λ − 6

Ahora los que tenemos que hacer es encontrar las soluciones del polinomio
característico, es decir, las soluciones de:
λ3- 6λ2 + 11λ - 6 = 0
Trabajando un poquito llegamos a que λ1 = 1, λ2 = 2, λ3 = 3. Ahora busquemos sus
autovectores asociados:
Para λ1 = 1:
⎛ 1 1 2 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ x1 + x 2 + 2 x3 ⎞ ⎛ x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Ax = λ 1 x ≈ ⎜ 0 2 2 ⎟⎜ x 2 ⎟ = 1⎜ x 2 ⎟ ≈ ⎜ 2 x 2 + 2 x3 ⎟ = ⎜ x 2 ⎟
⎜ − 1 1 3 ⎟⎜ x ⎟ ⎜ x ⎟ ⎜ − x + x + 3x ⎟ ⎜ x ⎟
⎝ ⎠⎝ 3 ⎠ ⎝ 3 ⎠ ⎝ 1 2 3⎠ ⎝ 3⎠
Nos queda:
x1 + x2 + 2x3 = x1 ⇒ x2 = -2x3

2x2 + 2x3 = x2 ⇒ x2 = -2x3

-x1 + x2 + 3x3 = x3 ⇒ x1 = 0

Si tomamos x3 = 1 ⇒ x2 = -2 ⇒ (x1 , x2 , x3) = (0 , -2 , 1)

W1 = { (x1 , x2 , x3) ∈ R3 / (x1 , x2 , x3) = (0 , -2k , k) ∀ k ∈ R }


Para λ2 = 2:
⎛ 1 1 2 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ x1 + x 2 + 2 x3 ⎞ ⎛ 2 x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Ax = λ 2 x ≈ ⎜ 0 2 2 ⎟⎜ x 2 ⎟ = 2⎜ x 2 ⎟ ≈ ⎜ 2 x 2 + 2 x3 ⎟ = ⎜ 2 x 2 ⎟
⎜ − 1 1 3 ⎟⎜ x ⎟ ⎜x ⎟ ⎜ − x + x + 3x ⎟ ⎜ 2 x ⎟
⎝ ⎠⎝ 3 ⎠ ⎝ 3⎠ ⎝ 1 2 3⎠ ⎝ 3⎠

Nos queda:
x1 + x2 + 2x3 = 2x1 ⇒ 2x3 = x1 - x2

2x2 + 2x3 = 2x2 ⇒ x3 = 0 ⇒ x2 = x1

-x1 + x2 + 3x3 = 2x3 ⇒ 2x3 = 0


ASIMOV - 95 - AUTOVALORES

Si tomamos x1 = 1 ⇒ x2 = 1 ⇒ (x1 , x2 , x3) = (1 , 1 , 0)

W2 = { (x1 , x2 , x3) ∈ R3 / (x1 , x2 , x3) = (k , k , 0) ∀ k ∈ R }

Para λ3 = 3:
⎛ 1 1 2 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ x1 + x 2 + 2 x3 ⎞ ⎛ 3 x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Ax = λ 3 x ≈ ⎜ 0 2 2 ⎟⎜ x 2 ⎟ = 3⎜ x 2 ⎟ ≈ ⎜ 2 x 2 + 2 x3 ⎟ = ⎜ 3 x 2 ⎟
⎜ − 1 1 3 ⎟⎜ x ⎟ ⎜ x ⎟ ⎜ − x + x + 3x ⎟ ⎜ 3x ⎟
⎝ ⎠⎝ 3 ⎠ ⎝ 3 ⎠ ⎝ 1 2 3⎠ ⎝ 3⎠
Nos queda:
x1 + x2 + 2x3 = 3x1 ⇒ x2 + 2x3 = 2x1
2x2 + 2x3 = 3x2 ⇒ 2x3 = x2
-x1 + x2 + 3x3 = 3x3 ⇒ x1 = x2

Si tomamos x3 = 1 ⇒ x1 = x2 = 2 ⇒ (x1 , x2, x3) = (2 , 2 , 1) es un autovector


asociado a λ3 = 3 y el subespacio generado:

W3 = { (x1 , x2 , x3) ∈ R3 / (x1 , x2 , x3) = (2k , 2k , k) ∀ k ∈ R }

Sin mucho esfuerzo podemos darnos cuenta de que λ1 + λ2 + λ3 = 6 y eso es igual a


la traza de A (la suma de los elementos de la diagonal de A). Veamos que pasa con
la inversa de A, para comprobar. Primero calculamos A-1:

⎛ 2 / 3 − 1 / 6 − 1 / 3⎞
−1
⎜ ⎟
A = ⎜ − 1 / 3 5 / 6 − 1 / 3⎟
⎜ 1/ 3 −1/ 3 1/ 3 ⎟
⎝ ⎠
Después calculamos el polinomio característico:

P(λ) = λ3 - 11/6 λ2 + λ - 1/6

Y calculamos sus raíces (notemos que son los inversos de los autovalores de A),

λ1 = 1 λ2 = 1/2 λ3 = 1/3

Y para finalizar, los autovectores asociados a estos autovalores (los cuales son los
que generan los autoespacios asociados) son:

v1 = (0 , -2 , 1) v2 = (1 , 1 , 0) v3 = (2 , 2 , 1)

¿ Notás que los autovectores son los mismos que los de A ?


⎛ 7 − 2 − 2⎞
⎜ ⎟
Veamos que sucede con una matriz simétrica, por ejemplo: A = ⎜− 2 1 4 ⎟
⎜− 2 4 1 ⎟⎠

ASIMOV - 96 - AUTOVALORES

Calculemos su polinomio característico, haciendo det (λI –A) = 0

P(λ) = λ3 - 9λ2 - 9λ + 81

Y sus raíces, por ende autovalores, son:

λ1 = 3 λ2 = -3 λ3 = 9 Reales !

Los cálculos quedan de ejercicio, para que practiques ! Sus autovectores asociados
son:
v1 = (1 , 1 , 1) v2 = (0 , -1 , 1) v3 = (-2 , 1 , 1)

Y como podemos comprobar tr(A) = 9 = λ1 + λ2 + λ3. Además, como se trata de una


matriz simétrica, podemos ver que sus autovectores son ortogonales:

v1 . v2 = (0 , -1 , 1) . (1 , 1 , 1) = 0 – 1 + 1 = 0
v2 . v3 = (-2 , 1 , 1) . (0 , -1 , 1) = 0 – 1 + 1 = 0
v1 . v3 = (-2 , 1 , 1) . (1 , 1 , 1) = -2 + 1 + 1 = 0
⎛ 3 1/ 2⎞
Al principio del capítulo teníamos un ejemplo con la matriz: A = ⎜⎜ ⎟⎟
⎝6 1 ⎠
Y habíamos llegado a que sus autovalores eran λ1 = 0 y λ2 = 4. Los cuales tenían aso-
ciados lo autovectores (1 , -6) y (1 , 2). Supongamos ahora que hacemos: 2A, nos
quedaría:
⎛ 3 1/ 2⎞ ⎛ 6 1 ⎞
2A = 2⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝ 6 1 ⎠ ⎝12 2 ⎠
Calculemos autovalores y autovectores comenzando por:

1 0⎞ ⎛ 6 1⎞ ⎛ λ 0 ⎞ ⎛ 6 1⎞ ⎛ λ − 6 −1 ⎞
(λI − A) = λ⎛⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝ 0 1 ⎠ ⎝12 2 ⎠ ⎝ 0 λ ⎠ ⎝12 2 ⎠ ⎝ − 12 λ − 2 ⎠
Ahora veamos su determinante:

⎛ λ − 6 −1 ⎞
det(λ I − A) = det ⎜ ⎟ = (λ − 6)(λ − 2) − 12 =
⎝ −12 λ − 2 ⎠
= λ 2 − 8λ = P(λ )

λ2 − 8λ = 0 ⇒ tenemos 2 autovalores para A: λ1 = 0 y λ2 = 8

Nos quedan los mismos autovalores pero multiplicados por 2 !! Ahora, con respecto
a los autovectores, sabemos que todo vector de la forma (k , -6k) con k ≠ 0, es un
autovector de A asociado a λ1 = 0. En particular elegimos el vector (1 , - 6)
ASIMOV - 97 - AUTOVALORES

W1 = { (x1 , x2) ∈ R2 / (x1 , x2) = (k , -6k) ∀ k ∈ R }

Veamos λ2 = 8:
En este caso nos queda un sistema de ecuaciones de la forma:

6x1 + x2 = 8x1 ⇒ 2x1 = x2


12x1 + 2x2 = 8x2 ⇒ 16x1 = 16x1

Si tomamos x1 = 1 ⇒ x2 = 2 ⇒ (x1 , x2) = (1 , 2)


De nuevo traducimos: con el autovalor λ2 = 8 esta asociado el autoespacio vectorial
generado por (1 , 2). Todo vector de la forma ( k , 2k ) con k ≠ 0 de este subespa-
cio, es un autovector de A asociado a λ2 = 4 ...

W2 = { x1 , x2) ∈ R2 / (x1 , x2) = (k , 2k) ∀ k ∈ R }

O sea, llegamos que los autovectores asociados siguen siendo los mismos !!
• Ahora un caso en el que nos ahorraríamos muchísimo tiempo y esfuerzo, con
tan sólo notar una cosa:
Sea la matriz 4x4 siguiente,

⎛1 6 8 9⎞ ⎛ λ − 1 −6 −8 −9 ⎞
⎜ ⎟ ⎜ ⎟
0 3 5 6⎟ 0 λ − 3 −5 −6 ⎟
A=⎜ ⇒ (λ I − A) = ⎜
⎜0 0 2 3⎟ ⎜ 0 0 λ − 2 −3 ⎟
⎜ ⎟ ⎜ ⎟
⎝0 0 0 −1 ⎠ ⎝ 0 0 0 λ + 1⎠

⇒ det(λ I − A) = ( λ − 1)( λ − 3)( λ − 2 )( λ + 1)

Este determinante estuvo facilito ! Alcanzaba con recordar que el determinante de


una matriz triangular es el producto de los elementos de la diagonal principal !, bueno,
sigamos ....

Como el polinomio característico está en su forma factorizada es fácil ver cuales son
las raíces:
λ1 = 1 λ2 = 3 λ3 = 2 λ4 = -1

⎛1 6 8 9 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ x1 + 6 x2 + 8 x3 + 9 x4 ⎞ ⎛ x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜0 3 5 6 ⎟⎜ x2 ⎟ ⎜ x2 ⎟ ⎜ 3 x2 + 5 x3 + 6 x4 ⎟ ⎜ x2 ⎟
Ax = λ1 x ≈ =1 ≈ ⎟=⎜x ⎟
⎜0 0 2 3 ⎟⎜ x3 ⎟ ⎜ x3 ⎟ ⎜ 2 x3 + 3 x4
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ 3⎟
⎜0 0 0 − 1⎟⎠⎜⎝ x4 ⎟⎠ ⎜⎝ x4 ⎟⎠ ⎜ − x4 ⎟ ⎜x ⎟
⎝ ⎝ ⎠ ⎝ 4⎠
ASIMOV - 98 - AUTOVALORES

Nos queda:
-x4 = x4 ⇒ x4 = 0
2x3 + 3x4 = x3 ⇒ x3 = 0
3x2 + 5x3 + 6x4 = x2 ⇒ x2 = 0
x1 + 6x2 + 8x3 + 9x4 = x1 ⇒ 0 = 0

Si tomamos x1 = 1, un autovector asociado a λ1 = 1 es (1 , 0 , 0 , 0), y el subespacio


asociado a este autovalor es:

W1 = { (x1 , x2 , x3 , x4) ∈ R4 / (x1 , x2 , x3 , x4) = (k , 0 , 0 , 0) ∀ k ∈ R }

Ahora veamos para los demás autovalores: Para λ2 = 3:

⎛1 6 8 9 ⎞⎛ x1 ⎞ ⎛ x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜0 3 5 6 ⎟⎜ x2 ⎟ ⎜ x2 ⎟
Ax = λ 2 x ≈ =3
⎜0 0 2 3 ⎟⎜ x3 ⎟ ⎜ x3 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜0 0 0 − 1⎟⎠⎜⎝ x4 ⎟⎠ ⎜⎝ x4 ⎟⎠

⎛ x1 + 6 x2 + 8 x3 + 9 x4 ⎞ ⎛ 3 x1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ 3 x2 + 5 x3 + 6 x4 ⎟ ⎜ 3 x2 ⎟
≈ ⎜ ⎟ = ⎜ 3x ⎟
2 x3 + 3 x4
⎜ ⎟ ⎜ 3⎟
⎜ − x4 ⎟ ⎜ 3x ⎟
⎝ ⎠ ⎝ 4⎠
El sistema de ecuaciones correspondiente es:

- x4 = 3 x4 ⇒ x4 = 0
2x3 + 3x4 = 3x3 ⇒ x3 = 0
3x2 + 5x3 + 6x4 = 3x2 ⇒ 0 = 0
x1 + 6x2 + 8x3 + 9x4 = 3x1 ⇒ x1 = 3x2

Tomamos x2 = 1, y el autovector asociado a λ2 = 3 resulta (3 , 1 , 0 , 0)


El subespacio generado es entonces de la forma:

W2 = { (x1 , x2 , x3 , x4) ∈ R4 / (x1 , x2 , x3 , x4) = (3k , k , 0 , 0) ∀ k ∈ R }

Con λ3 = 2:
⎛1 6 8 9 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ x1 + 6 x2 + 8 x3 + 9 x4 ⎞ ⎛ 2 x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜0 3 5 6 ⎟⎜ x2 ⎟ ⎜ x2 ⎟ ⎜ 3 x2 + 5 x3 + 6 x4 ⎟ ⎜ 2 x2 ⎟
Ax = λ 3 x ≈ =2 ≈
⎜0 0 2 3 ⎟⎜ x3 ⎟ ⎜ x3 ⎟ ⎜ 2 x3 + 3 x4 ⎟ = ⎜ 2x ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ 3⎟
⎜0 0 0 − 1⎟⎠⎜⎝ x4 ⎟⎠ ⎜⎝ x4 ⎟⎠ ⎜ ⎟ ⎜ 2x ⎟
⎝ ⎝ − x4 ⎠ ⎝ 4⎠
ASIMOV - 99 - AUTOVALORES

Que corresponde a:
-x4 = 2x4 ⇒ x4 = 0
2x3 + 3x4 = 2x3 ⇒ 0=0
3x2 + 5x3 + 6x4 = 2x2 ⇒ x2 = -5x3
x1 + 6x2 + 8x3 + 9x4 = 2x1 ⇒ x1 = -22x3

Tomamos x3 = 1, y el autovector asociado a λ3 = 2 resulta (-22 , -5 , 1 , 0).


El subespacio generado es entonces de la forma:

W3 = { (x1 , x2 , x3 , x4) ∈ R4 / (x1 , x2 , x3 , x4) = (-22k , -5k , k , 0) ∀ k ∈ R }

Por último, con λ4 = -1:

⎛1 6 8 9 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ x1 + 6 x2 + 8 x3 + 9 x4 ⎞ ⎛ − x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜0 3 5 6 ⎟⎜ x2 ⎟ ⎜ x2 ⎟ ⎜ 3 x2 + 5 x3 + 6 x4 ⎟ ⎜ − x2 ⎟
Ax = λ 4 x ≈ ⎜0 ⎜ ⎟ = −⎜x ⎟ ≈ ⎜ ⎟ = ⎜− x ⎟
0 2 3 ⎟ x3 2 x3 + 3 x4
⎜ ⎟⎜ ⎟ ⎜ 3⎟ ⎜ ⎟ ⎜ 3⎟
⎜0 ⎟⎜ ⎟
0 0 − 1⎠⎝ x4 ⎠ ⎜x ⎟ ⎜ − x4 ⎟ ⎜− x ⎟
⎝ ⎝ 4⎠ ⎝ ⎠ ⎝ 4⎠

Que corresponde a:

-x4 = -x4 ⇒ 0=0


2x3 + 3x4 = -x3 ⇒ x3 = -x4
3x2 + 5x3 + 6x4 = -x2 ⇒ x2 = -1/4x4
x1 + 6x2 + 8x3 + 9x4 = -x1 ⇒ x1 = 1/4x4

Tomamos x4 = 1, y el autovector de λ4 = -1 es (1/4 , -1/4 , -1 , 1)


El subespacio generado está dado por:

W4 = { (x1 , x2 , x3 , x4) ∈ R4 / (x1 , x2 , x3 , x4) = (k/4 , -k/4 , -k , k) ∀ k ∈ R }

Esta matriz 4x4 es triangular, y si preste atención a las propiedades de autovalores


y autovectores, seguro notaste que no hacía falta calcular los autovalores, eran los
de la diagonal ! Es justamente ese tipo de “atajos” los que salvan tiempo, y los que hay
que aprender a usar rápidamente.

Veamos un ejercicio típico, del tipo que se toman en algunos finales, que implica el
cálculo y resolución de autovalores y autovectores, con un poco de todo, y que no es
completamente similar a los anteriores.
El método es el mismo pero cambia lo que estamos buscando. Fijate:
ASIMOV - 100 - AUTOVALORES

• Sea f: R3 → R3 la transformación lineal dada por:

f(x1 , x2 , x3) = (-2x1 + x2 , ax3 , x1 - x2 + 3x3)

Determinar a ∈ R para que –3 sea autovalor de f, y para ese valor, hallar el


subespacio de autovectores asociados a él.

Para este problema es bueno recordar otra propiedad que nos recuerda la relación
entre Transformaciones Lineales y matrices ( que casi se puede decir que son
prácticamente la misma cosa, pero sólo casi ):

Sea f: Rn → Rn una transformación lineal. Si x es un autovector de f


asociado al autovalor λ, y A es la matriz que representa a f, entonces
x es un autovector de A asociado al mismo autovalor λ, pues:

Ax = f(x) = λx

Vamos a empezar por armar la matriz A que se corresponde con la Transformación


Lineal del problema. Para hacer eso, aplicamos f a la base canónica de R3:

f(1 , 0 , 0) = (-2 , 0 , 1)
f(0 , 1 , 0) = (1 , 0 , -1)
f(0 , 0 , 1) = (0 , a , 3)

Ahora acomodamos los vectores que son el resultado en columnas, y obtenemos a la


matriz A. Es muy importante mantener el orden de las columnas de acuerdo al orden
de la base canónica, sino todo el cálculo que sigue no sería del todo correcto.
Podemos representar la matriz de la transformación en la base canónica, A, como:

⎛− 2 1 0⎞
⎜ ⎟
A=⎜ 0 0 a⎟
⎜ 1 −1 3 ⎟
⎝ ⎠
Ya teniendo una matriz sobre la cual trabajar, encontremos sus autovalores primero
que nada:
⎛ λ + 2 −1 0 ⎞
⎜ ⎟
(λI − A) = ⎜ 0 λ − a ⎟ ⇒ det(λI − A) = λ3 − λ2 + λ(a − 6) + a
⎜ −1 1 λ − 3 ⎟⎠

Nos piden que –3 sea autovalor de A así que reemplacemos por este valor en la
ecuación
ASIMOV - 101 - AUTOVALORES

λ3 - λ2 + λ(a - 6) + a = 0
y despejemos el valor de a:
(-3)3 – (-3)2 – 3 (a - 6) + a = 0 = - 27 – 9 +18 - 2a = 0
⇒ a=-9

Ya habiendo resuelto una parte del problema, veamos que lo que nos falta es hallar los
autovectores de f asociados a –3:

⎛ − 2 1 0 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ − 2 x1 + x 2 ⎞ ⎛ − 3 x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Ax = λx ≈ ⎜ 0 0 a ⎟⎜ x 2 ⎟ = −3⎜ x 2 ⎟ ≈ ⎜ ax3 ⎟ = ⎜ − 3x2 ⎟
⎜ 1 − 1 3 ⎟⎜ x ⎟ ⎜x ⎟ ⎜ x − x + 3x ⎟ ⎜ − 3x ⎟
⎝ ⎠⎝ 3 ⎠ ⎝ 3⎠ ⎝ 1 2 3⎠ ⎝ 3⎠

Nos quedan las siguientes ecuaciones:

-2x1 +x2 = -3x1 ⇒ x1 = -x2


- 9x3 = -3x2 ⇒ 3x3 = x2
x1 - x2 + 3x3 = -3x3 ⇒ 3x3 = x2

Tomando x3 = 1 obtenemos un autovector asociado a λ = -3: (-3 , 3 , 1). El subespacio


asociado al autovalor λ = -3 es el generado por el autovector que encontramos (en
realidad, hay que notar que todos los vectores de este subespacio asociado son
autovectores de ese autovalor para A). La forma explícita de este subespacio es:

W = { (x1 , x2 , x3) ∈ R3 / (x1 , x2 , x3) = (3k , 3k , k) ∀ k ∈ R }

Y ahora veamos un par de ejercicios típicos de examen:


• Sea f: R3 → R3 la Transformación Lineal dada por:

f(x1 , x2 , x3 ) = (3x1 - x2 + x3 , -x2 , - x1 - 2x2 + x3)

Hallar una base de R3, B = { v1 , v2 , v3 } tal que v1 y v2 sean autovectores de f

Como primer paso escribiremos la MC(f), que es la matriz que representa f en la base
canónica, que no es ni más ni menos que colocar los coeficientes de f(x1,x2,x3) en
filas,
⎛ 3 −1 1⎞
⎜ ⎟
MC (f) = ⎜ 0 − 1 0 ⎟ = f
⎜− 1 − 2 1 ⎟
⎝ ⎠

Busquemos ahora los autovalores de f, como venimos haciendo hasta ahora:


ASIMOV - 102 - AUTOVALORES

⎛3 − λ −1 1 ⎞
⎜ ⎟
det(MC (f ) - λ I) = det⎜ 0 −1− λ 0 ⎟
⎜ −1 −2 1 − λ ⎟⎠

⇒ det(λI - M C (f )) = −λ3 + 3λ2 − 4

Ahora bien, las raíces de λ3 - 3 λ2 + 4 = 0 son λ1 = -1 y λ2 = λ3 = 2


( Esa cuentita te la dejo para vos... pero hacela ! Eh ? )
Ahora veremos qué autovectores tienen asociados los autovalores hallados:

⎛ (− 1) − 3 1 − 1 ⎞⎛ x1 ⎞
⎜ ⎟⎜ ⎟
0 = (λ1 I − M C ( f ))x1 = ⎜ 0 (− 1) + 1 0 ⎟⎜ y1 ⎟
⎜ 1 2 (− 1) − 1⎟⎠⎜⎝ z1 ⎟⎠

⎛ − 4 1 − 1 ⎞⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
= ⎜ 0 0 0 ⎟⎜ y1 ⎟ = ⎜ 0 ⎟
⎜ 1 2 − 2 ⎟⎜ z ⎟ ⎜ 0 ⎟
⎝ ⎠⎝ 1 ⎠ ⎝ ⎠
Obtenemos el siguiente sistema de ecuaciones

- 4x1 + y1 - z1 = 0 ⇒ x1 = (y1 - z1)/4

x1 + 2y1 - 2z1 = 0 ⇒ x1 = 2z1 – 2y1 = 2 (z1 - y1)


Por lo tanto:
2 (z1 - y1) = (y1 - z1)/4
Entonces encontramos que:
y1 = z1 y x1 = 0
Por lo tanto, el autovector asociado a λ1 = -1 es de la forma (0, 1, 1).
Veamos ahora para λ2 = 2 ( = λ3 )

⎛2 −3 1 − 1 ⎞⎛ x2 ⎞
⎜ ⎟⎜ ⎟
0 = (λ 2 I − M C ( f ))x2 = ⎜ 0 2 + 1 0 ⎟⎜ y2 ⎟
⎜ 1 2 2 − 1⎟⎠⎜⎝ z 2 ⎟⎠

⎛ − 1 1 − 1⎞⎛ x2 ⎞ ⎛ 0 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
= ⎜ 0 3 0 ⎟⎜ y2 ⎟ = ⎜ 0 ⎟
⎜ 1 2 1 ⎟⎜ z ⎟ ⎜ 0 ⎟
⎝ ⎠⎝ 2 ⎠ ⎝ ⎠
Obtenemos las siguientes ecuaciones:
- x2 + y2 - z2 = 0 ⇒ x2 + z2 = 0
3y2 = 0 ⇒ y2 = 0
ASIMOV - 103 - AUTOVALORES

x2 + 2y2 + z2 = 0 ⇒ x2 + z2 = 0

Entonces, encontramos que


y2 = 0 y x2 = -z2

Por lo tanto, el autovector asociado a λ2 = 2 es de la forma (1, 0, -1). Luego una base
como la buscada es entonces:

B = {v1, v2, v3} = {(0,1,1), (1,0,-1), (0,0,1)},

donde se cumple la exigencia que v1 y v2 sean autovectores de f (el tercer vector de


la base es uno cualquiera pero, linealmente independiente de los otros dos)

• Sean B = { v1 , v2 , v3 } y B´ = { v1 + v2 + v3 , v1 – v2 , v2 + v3 } bases de un Espacio


Vectorial V, y f: V → V la Transformación Lineal tal que,

⎛1 1 − 6 ⎞
⎜ ⎟
M B ' B ( f ) = ⎜1 − 1 1 ⎟
⎜1 0 − 5 ⎟
⎝ ⎠

Encontrar si es posible, una base de V formada por autovectores de f.

Ya sabemos, como en el ejercicio anterior, que lo primero que debemos hacer es


encontrar MB(f), y para hacerlo tenemos que encontrar la matriz de cambio de base
CBB’ (Recuerden que para calcular la matriz de la transformación, en este caso debe-
ríamos hacer MB(f) = MB’B(f) CBB’). Para ello, podemos encontrar primero CB’B, y luego
hacer su inversa para obtener CBB’. Así que empecemos:

(v1 + v2 + v3)B = (1 , 1 , 1)B


(v1 – v2)B = (1 , -1 , 0)B
(v2 + v3)B = (0 , 1 , 1)B

Entonces la matriz CB’B, y su inversa CBB’, son:

⎛1 1 0 ⎞ ⎛ 1 1 − 1⎞
⎜ ⎟ ⎜ ⎟
C B 'B = ⎜1 − 1 1 ⎟ C BB ' = ⎜ 0 − 1 1 ⎟
⎜1 0 1 ⎟ ⎜ −1 −1 2 ⎟
⎝ ⎠ ⎝ ⎠

Con lo que calculamos MB(f),


⎛1 1 − 6 ⎞⎛ 1 1 − 1⎞
⎜ ⎟⎜ ⎟
M B ( f ) = M B 'B ( f )C BB ' = ⎜1 − 1 1 ⎟⎜ 0 − 1 1 ⎟
⎜ ⎟⎜ ⎟
⎝1 0 − 5 ⎠⎝ − 1 − 1 2 ⎠
ASIMOV - 104 - AUTOVALORES
⎝ ⎠⎝ ⎠
⎛ 7 6 − 12 ⎞
⎜ ⎟
MB( f ) = ⎜0 1 0 ⎟
⎜ 6 6 − 11 ⎟
⎝ ⎠
Y ahora encontremos sus autovectores (aquí vamos a dar los resultados, las cuentas
son para practicar !). El polinomio característico es P(λ) = λ3 + 3λ2 - 9λ + 5
Sus autovalores son:
λ1 = -5 λ2 = λ3 = 1
Y sus autovectores asociados son,

w1 = (1 , 0 , 1)B w2 = (-1 , 1 , 0)B w3 = (2 , 0 , 1)B

Por lo tanto, una base de V formada de autovectores de f es:

B’’ = { v1 + v3 , - v1 + v2 , 2v1 + v3 }

DIAGONALIZACION
Esta es una de la aplicaciones de autovectores - autovalores que más nos va a servir.
Pero... ¿ Qué significa diagonalizar ?
Primero la definición formal, que es un tanto difícil, pero hay que saberla:

“Se dice que una matriz cuadrada A es diagonalizable si hay una


matriz inversible P tal que P-1AP sea diagonal.”

Aunque al principio parece que esta definición no nos dice nada, tiene todo lo que
hace falta para proseguir. ( Fijate que no dice como encontrar P. No dice que forma
tendría, ni ninguna información útil sobre esta misteriosa matriz). Pero esta
definición ya aporta algo muy importante: dice que P debe ser inversible.

Volviendo a un lenguaje más entendible, diagonalizar significa que si tenemos una


matriz A, mediante una serie de artilugios (un cambio de base, eso es lo que se hace
al multiplicar P-1AP), puede ser llevada a una matriz donde sólo tenga elementos en la
diagonal principal.

Cuando estemos tratando con problemas de diagonalización, lo primero que vamos a


querer saber es si la matriz A que tengamos es diagonalizable, y para eso, ya hay un
par de reglas más útiles en la práctica. Empecemos por un teoremita:

“Una matriz A ∈ Rnxn es diagonalizable ⇔ tiene n autovectores


linealmente independientes, x1, ... , xn”
ASIMOV - 105 - AUTOVALORES

Y esto nos lleva a plantear otra regla muy útil:

“Si una matriz A ∈ Rnxn tiene n autovalores todos distintos entre


sí, entonces es diagonalizable.”

Y esta propiedad en realidad sale de otra:

Sea A ∈ Rnxn. Si x1, ... , xr son autovectores de A asociados a los


autovalores λ1, ... , λr, respectivamente, y λi ≠ λj ∀ i ≠ j entonces
{ x1, ... , xr } es un conjunto linealmente independiente.

Aunque no es imprescindible saberse este tipo de cosas a la hora de resolver


problemas, siempre es bueno, por las dudas nomás (y por los teóricos...)
Hagamos un ejemplo para ilustrar bien el método de diagonalización de una matriz.

Ejemplo:
⎛ 3 − 2 0⎞
⎜ ⎟
Encontrar una matriz P que diagonalice a A = ⎜ − 2 3 0 ⎟
⎜ 0 0 5 ⎟⎠

Primero, encontremos sus autovectores. Para hacer esto, antes deberemos hallar sus
autovalores, no?

Volvamos a aplicar el método de los anteriores cálculos para autovalores


y autovectores. Hay que tratar siempre de no enredarse con cálculos
innecesarios, pero no saltear pasos por evitar escribir un par de líneas.
Los errores en los cálculos son propensos a aparecer en esos lugares.

Bien, una vez que sabemos cuál es la forma de (λI-A) calculemos su determinante:

⎛λ − 3 2 0 ⎞
⎜ ⎟
(λI − A) = ⎜ 2 λ−3 0 ⎟ ⇒ det(λI − A) = λ3 − 11λ2 + 35λ − 25
⎜ 0 0 λ − 5 ⎟⎠

Resolviendo ahora la ecuación:


λ3 - 11λ2 + 35λ - 25 = 0
Llegamos a que:
λ1 = 1 y λ2 = 5

Ya tenemos los autovalores de A, veamos ahora qué autovectores tienen asociados.


ASIMOV - 106 - AUTOVALORES

Es muy importante darse cuenta de que no necesariamente hay


siempre tantos autovalores como filas (o columnas, es lo mismo)
haya en la matriz. Lo importante para poder decir si la matriz es
diagonalizable, es la cantidad de autovectores que encontremos
con esos autovalores. Si hay menos autovectores linealmente
independientes que la dimensión del espacio al que pertenecen,
entonces A no es diagonalizable.

Para λ1 = 1:
⎛ 3 − 2 0 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ 3 x1 − 2 x 2 ⎞ ⎛ x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Ax = λ 1 x ≈ ⎜ − 2 3 0 ⎟⎜ x 2 ⎟ = 1⎜ x 2 ⎟ ≈ ⎜ − 2 x1 + 3 x 2 ⎟ = ⎜ x 2 ⎟
⎜ 0 0 5 ⎟⎠⎜⎝ x3 ⎟⎠ ⎜⎝ x3 ⎟⎠ ⎜ 5 x3 ⎟ ⎜x ⎟
⎝ ⎝ ⎠ ⎝ 3⎠

Nos quedan las siguientes ecuaciones:

3x1 - 2x2 = x1 ⇒ x1 = x2
-2x1 + 3x2 = x2 ⇒ x1 = x2
5x3 = x3 ⇒ x3 = 0

Tomando x1 = 1, un autovector asociado a λ1 = 1 sería: (1 , 1 , 0). El subespacio


generado es el dado por los vectores de la siguiente forma:

W1 = { (x1 , x2 , x3) ∈ R3 / (x1 , x2 , x3) = (k , k , 0) ∀ k ∈ R }


Para λ2 = 5:
⎛ 3 − 2 0 ⎞⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ 3 x1 − 2 x 2 ⎞ ⎛ 5 x1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Ax = λ 2 x ≈ ⎜ − 2 3 0 ⎟⎜ x 2 ⎟ = 5⎜ x 2 ⎟ ≈ ⎜ − 2 x1 + 3 x 2 ⎟ = ⎜ 5 x 2 ⎟
⎜ 0 0 5 ⎟⎠⎜⎝ x3 ⎟⎠ ⎜x ⎟ ⎜ 5 x3 ⎟ ⎜ 5x ⎟
⎝ ⎝ 3⎠ ⎝ ⎠ ⎝ 3⎠

Nos quedan las siguientes ecuaciones:

3x1 - 2x2 = 5x1 ⇒ -x1 = x2


-2x1 + 3x2 = 5x2 ⇒ -x1 = x2
5x3 = 5x3 ⇒ x3 = x3

Tomando x1 = 1 y x3 = 0, un autovector asociado a λ2 = 5 sería: (1 , -1 , 0)


Tomando x1 = 0 y x3 = 1, un autovector asociado a λ2 = 5 sería: (0 , 0 , 1)
El subespacio generado de esta forma es el que sigue:

W2 = { (x1 , x2 , x3) ∈ R3 / (x1 , x2 , x3) = (k , -k , m) ∀ k, m ∈ R }


ASIMOV - 107 - AUTOVALORES

Bien, ya tenemos autovalores y la forma de los autovectores de la matriz A. De


acuerdo a los resultados a los que llegamos, el vector x1 = (1 , 1 , 0) forma una base
para el espacio generado por los autovectores asociados al autovalor λ1 = 1, también
los vectores x2 = (1 , -1 , 0) y x3 = (0 , 0 , 1) forman una base para el espacio
generado por los autovectores asociados al autovalor λ2 = 5.

Estos tres vectores son linealmente independientes (verificado, pero es un buen


ejercicio comprobar esto!). Ahora el truco es colocar los autovectores en columnas
uno al lado del otro, lo que arma una matriz del mismo tamaño que A.

Esa matriz construida de los autovectores de A es la matriz P, y esta


matriz es la que diagonaliza a A. El cambiar A a la base de sus
autovectores es lo que la diagonaliza.

Es por esto que es necesario que haya n autovectores de A (donde A es nxn)


linealmente independientes, si no los hubiese no habría forma de armar una
matriz P inversible, lo cual significaría que no existe una base en la cual A se
pudiese llevar a una forma diagonal.

Momento!! ¿Qué pasa con el orden en que ponemos los autovectores ? Rta: Nada !
El orden en que ponemos los autovectores sólo altera el orden en que van a aparecer
los autovalores en la diagonal. Ahora veamos que pasa con los cálculos. Armamos P:
⎛ 1 0 1⎞
⎜ ⎟
P = ⎜ −1 0 1 ⎟
⎜ 0 1 0⎟
⎝ ⎠
Y ahora hagamos la multiplicación de matrices, para comprobar que P diagonaliza a A:

⎛1 / 2 − 1 / 2 0 ⎞⎛ 3 − 2 0 ⎞⎛ 1 0 1 ⎞ ⎛ 5 0 0 ⎞
−1
⎜ ⎟⎜ ⎟⎜ ⎟ ⎜ ⎟
P AP = ⎜ 0 0 1 ⎟⎜ − 2 3 0 ⎟⎜ − 1 0 1 ⎟ = ⎜ 0 5 0 ⎟
⎜1 / 2 1 / 2 0 ⎟⎜ 0 0 5 ⎟⎠⎜⎝ 0 1 0 ⎟⎠ ⎜⎝ 0 0 1 ⎟⎠
⎝ ⎠⎝

Y como podemos observar: LLEGAMOS A UNA MATRIZ DIAGONAL !!

Sólo para estar seguros, veamos que pasa si las columnas de P no están en el mismo
orden: Sea ahora P:
⎛1 1 0⎞
⎜ ⎟
P = ⎜ 1 −1 0⎟
⎜0 0 1⎟
⎝ ⎠
ASIMOV - 108 - AUTOVALORES

Ahora hagamos la multiplicación, para verificar cómo queda:

⎛1 / 2 1 / 2 0 ⎞⎛ 3 − 2 0 ⎞⎛ 1 1 0 ⎞ ⎛ 1 0 0 ⎞
−1
⎜ ⎟⎜ ⎟⎜ ⎟ ⎜ ⎟
P AP = ⎜1 / 2 − 1 / 2 0 ⎟⎜ − 2 3 0 ⎟⎜ 1 − 1 0 ⎟ = ⎜ 0 5 0 ⎟
⎜ 0 0 1 ⎟⎠⎜⎝ 0 0 5 ⎟⎠⎜⎝ 0 0 1 ⎟⎠ ⎜⎝ 0 0 5 ⎟⎠

Como habíamos dicho ! Sólo altera el orden en que aparecen los autovalores al hacer
la diagonalización.

Existe un tipo de matrices para el cual la diagonalización se simplifica considerable-


mente, y es el caso de las matrices simétricas. Para este tipo de matrices, ya vimos
que los autovectores encontrados son ortogonales (siempre y cuando sean de subes-
pacios asociados diferentes), lo cual también permite ciertas ventajas a la hora de
realizar la diagonalización.

Para realizar esta diagonalización ortogonal, como es llamada, hacer falta agregar
un paso al método que hemos estado usando. El paso a agregar es que una vez encon-
trados los autovectores, debemos ortonormalizarlos, o sea, hacer que su norma (o
módulo) valga 1 y que sean ortogonales entre sí ( para esto es probablemente nece-
sario aplicar el método de Gram-Schmidt, salvo el caso en que todos los autovalores
sean distintos ).
Veamos un par de ejemplos para que quede más claro:

Sea A una matriz 3x3,


⎛ 5 1 − 1⎞
⎜ ⎟
A=⎜ 1 5 1 ⎟
⎜ −1 1 5 ⎟
⎝ ⎠

Calculemos det (λI – A) = 0 para obtener el polinomio característico:

P(λ) = λ3 - 15λ2 + 72λ - 108

Y los autovalores son:


λ1 = 3 λ2 = 6 λ3 = 6

Ojo!!! No está mal, hay dos autovalores iguales (o en lenguaje más matematicoso, un
autovalor con multiplicidad 2), a nosotros lo que nos preocupa para poder diagonalizar
es que haya tantos autovectores como dimensión tenga el espacio vectorial en el que
trabajamos, así que sigamos !!!
Sus autovectores asociados son:
v1 = (1 , -1 , 1) v2 = (-1 , 0 , 1) v3 = (1 , 1 , 0)
ASIMOV - 109 - AUTOVALORES

Ahora viene el paso extra !! ☺. Tenemos que ortonormalizar estos vectores.


¿Cómo hacemos eso? Es fácil, mirá:
Aplicamos el proceso de Gram-Schmidt a los autovectores de cada autoespacio
asociado por separado, y lo que obtenemos es:

v'1 = ( 3 /3 − 3 /3 3 /3 ) v '2 = ( 6 /6 2 6 /6 6 /6 ) v'3 = ( 2 /2 0 − 2 /2 )


Estos nuevos vectores v’i son los autovectores normalizados que tenemos que usar.
Y ahora armamos la matriz P que diagonaliza A, con una gran ventaja: como A es simé-
trica, y los autovectores son ortonormales, P es una matriz ortogonal, o sea P-1 = PT.

⎛ 3/3 6 /6 2/2 ⎞
⎜ ⎟
P = ⎜− 3 /3 2 6 /6 0 ⎟
⎜⎜ ⎟
⎝ 3/3 6 / 6 − 2 / 2 ⎟⎠
⎛ 3 /3− 3/3 3 /3 ⎞
⎜ ⎟
P = P =⎜ 6 /6
−1 T
2 6 /6 6 /6 ⎟
⎜⎜ ⎟
⎝ 2 /2 0 − 2 / 2 ⎟⎠
⎛ 3 /3 − 3 /3 3 / 3 ⎞⎛ 5 1 − 1⎞⎛ 3 / 3 6 /6 2/2 ⎞
⎜ ⎟⎜ ⎟⎜ ⎟
P −1 AP = ⎜ 6 / 6 2 6 / 6 6 / 6 ⎟⎜ 1 5 1 ⎟⎜ − 3 / 3 2 6 / 6 0 ⎟
⎜⎜ ⎟ ⎜ ⎟
⎝ 2/2 0 − 2 / 2 ⎟⎠⎜⎝ − 1 1 5 ⎟⎠⎜⎝ 3 / 3 6 / 6 − 2 / 2 ⎟⎠
⎛ 3 0 0⎞
⎜ ⎟
= ⎜ 0 6 0⎟
⎜ 0 0 6⎟
⎝ ⎠
Veamos otro ejemplo de la diagonalización ortogonal: Ahora usemos esta otra matriz,

⎛ 7 − 2 − 2⎞
⎜ ⎟
A = ⎜− 2 1 4 ⎟
⎜− 2 4 1 ⎟⎠

Calculemos su polinomio característico, haciendo det(λI –A) = 0

P(λ) = λ3 - 9λ2 - 9λ + 81

Y sus raíces, por ende autovalores, son:

λ1 = 3 λ2 = -3 λ3 = 9

Sus autovectores asociados son:

v1 = (1 , 1 , 1) v2 = (0 , -1 , 1) v3 = (-2 , 1 , 1)
ASIMOV - 110 - AUTOVALORES

Ahora aplicamos el método de Gram-Schmidt a estos vectores, y los ortonormaliza-


mos. ( Notá que aplicar el método acá es mucho más fácil, sólo hay que dividir cada
vector por su norma. Eso se debe a que los autovalores son todos distintos, y enton-
ces los autovectores ya son todos ortogonales entre sí, no como en el caso anterior,
en que dos de ellos pertenecían al mismo subespacio asociado, y no eran ortogonales
entre sí ):

v'1 = ( 3 /3 3 /3 3/3) (
v '2 = 0 − 2 / 2 2/2 ) (
v'3 = − 2 6 / 6 6 /6 6 /6 )
Ahora armamos la matriz P, y diagonalizamos:
⎛ 3 /3 0 − 2 6 / 6⎞
⎜ ⎟
P = ⎜ 3 /3 − 2 /2 6 /6 ⎟
⎜⎜ ⎟
⎝ 3 /3 2 /2 6 / 6 ⎟⎠
⎛ 3 /3 3/3 3 / 3⎞
⎜ ⎟
P =P =⎜
−1 T
0 − 2/2 2 / 2⎟
⎜⎜ ⎟
⎝− 2 6 / 6 6 /6 6 / 6 ⎟⎠

⎛ 3/3 3 /3 3 / 3 ⎞⎛ 7 − 2 − 2 ⎞⎛ 3 / 3 0 − 2 6 / 6⎞
⎜ ⎟⎜ ⎟⎜ ⎟
P AP = ⎜
−1
0 − 2 /2 2 / 2 ⎟⎜ 2 1 4 ⎟⎜ 3 / 3 − 2 / 2 6 /6 ⎟
⎜⎜ ⎟ ⎜ ⎟
⎝− 2 6 / 6 6 /6 6 / 6 ⎟⎠⎜⎝ − 2 4 1 ⎟⎠⎜⎝ 3 / 3 2/2 6 / 6 ⎟⎠
⎛ 3 0 0⎞
⎜ ⎟
= ⎜ 0 − 3 0⎟
⎜0 0 9⎟
⎝ ⎠

Y eso es todo! Viste qué simple que se hace? Recordá, las cuentas más difíciles están
en sólo ciertos puntos clave, después sólo hay que acordarse de mantenerse ordenado
a la hora de aplicar el método de resolución, y tratar de entender bien lo que se está
haciendo. Entonces,

Si tenemos una matriz simétrica de coeficientes reales, sabemos que:


• Todos sus autovalores son reales.
• Los autovectores de subespacios asociados diferentes son ortogonales.
• Si cumplen los requisitos de diagonalización, son ortogonalmente
diagonalizables, si se ortonormalizan sus autovectores.

No debemos embromarnos demasiado con este tipo específico de matrices. Lo único


de complicado que tiene el método por sobre el anterior es el tener que aplicar el
método de Gram-Schmidt. Mucho cuidado con las cuentas en ese paso !!!!
ASIMOV - 111 - AUTOVALORES

Volviendo a la diagonalización que concierne a todas las matrices...

Veamos un ejercicio típico de parcial:

Sean B = { v1 , v2 , v3 } y B´ = { v1 - v2 , v1 + v3 , v3 } bases de R3 y f: R3 → R3 la
Transformación Lineal tal que
⎛− 2 −1 −1⎞
⎜ ⎟
M BB´ =⎜ 4 1 1 ⎟
⎜ − 3 2 − 2⎟
⎝ ⎠
Decidir si f es diagonizable.

Hallemos MB(f), que es la matriz de la transformación f respecto a la base B. Es


decir, se aplica a vectores cuyas coordenadas estén dadas en la base B, y devuelve
vectores cuyas coordenadas están expresadas en la base B. Que lío !

Aunque parezca un poco críptico, es necesario prestar especial atención al orden y


por cuál de las matrices de transformación se está multiplicando, de otro modo
podemos vernos envueltos en un cálculo casi infinito !!

Debemos multiplicar a MBB’(f) (fijate que es dato) por CB’B, la matriz de cambio de
base de B’ a B.
La ecuación que nos queda es la siguiente:

MB(f) = CB’B MBB’ (f).

Ya que los vectores que resultan al aplicar la matriz MBB’ (f) a un vector escrito en
base B están escritos en la base B’. Luego la matriz CB’B los pasa a la base B.
Ahora hay que encontrar la matriz CB’B. Para lograrlo, tomemos el primer vector de la
base B’
v1 – v2 = a v1 + b v2 + c v3 ⇒ a = 1, b = -1 , c = 0

Por lo tanto, (v1 – v2)B = (1 , -1 , 0)B

Procedo de igual forma con los otros vectores de la base y obtengo:

(v1 + v3)B = (1 , 0 , 1)B y (v3)B = (0 , 0 , 1)B

Colocando estos vectores en columna armamos la matriz:


ASIMOV - 112 - AUTOVALORES

⎛ 1 1 0⎞
⎜ ⎟
CB'B = ⎜− 1 0 0⎟
⎜ 0 1 1⎟
⎝ ⎠

Y la matriz de la transformación, expresada en la base B quedaría,

⎛ 1 1 0 ⎞⎛ − 2 − 1 − 1 ⎞ ⎛ 2 0 0 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
⇒ MB (f ) = (CBB' ) MBB' (f) = ⎜ − 1 0 0 ⎟⎜ 4
-1
1 1 ⎟ = ⎜2 1 1 ⎟
⎜ 0 1 1 ⎟⎜ − 3 2 − 2 ⎟ ⎜ 1 3 − 1 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠

Ahora que ya tenemos MB(f) veremos si la misma es diagonalizable.

En este caso, en nuestra matriz MB(f) , n = 3, por lo que deberemos hallar 3


autovalores distintos o bien, 3 autovectores linealmente independientes, para así
poder afirmar que f es diagonalizable. ( Recordá que es algo que ya vimos antes ).
Calculemos los autovalores:
⎛λ − 2 0 0 ⎞
⎜ ⎟
det(λI - M B (f )) = det ⎜ − 2 λ − 1 − 1 ⎟
⎜ −1 − 3 λ + 1⎟⎠

=λ 3 -2λ 2 -4λ+8
Encontramos que las raíces de esta ecuación son: λ1 = λ2 = 2 y λ3 = -2

Como los autovalores no son todos distintos, todavía no podemos afirmar que f sea
diagonalizable. Para poder hacerlo, debemos calcular los autovectores asociados a los
autovalores encontrados de f y ver si son linealmente independientes.

Para λ1 = λ2 = 2 :
⎛2 − 2 0 0 ⎞ ⎛ 0 0 0 ⎞⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
0 = (λI − M B ( f ))x = ⎜ − 2 2 − 1 − 1 ⎟ x = ⎜ − 2 1 − 1⎟⎜ x2 ⎟ = ⎜ 0 ⎟
⎜ −1 − 3 2 + 1⎟⎠ ⎜ − 1 − 3 3 ⎟⎜ x ⎟ ⎜ 0 ⎟
⎝ ⎝ ⎠⎝ 3 ⎠ ⎝ ⎠
De donde se obtienen 2 ecuaciones:

- 2x1 + x2 - x3 = 0 ⇒ x2 = x3 + 2x1
- x1 - 3x2 + 3x3 = 0 ⇒ x1 + 3 (x3 + 2x1) – 3x3 = 3x1 = 0
entonces:
x1 = 0 , x2 = x3

Por lo que el autovector hallado es de la forma: (0, x2 , x2) o bien (0 , 1 , 1)B.


ASIMOV - 113 - AUTOVALORES

Finalmente, tenemos 2 autovalores asociados a 1 solo autovector y con el autovalor


restante (λ3 = -2) hallaremos sólo otro autovector.
Vemos que la cantidad de autovectores linealmente independientes no será 3 sino 2,
con lo que podemos afirmar que la matriz f es NO diagonalizable.

Para resumir el método, supongamos que nos dan una matriz A que es nxn:

1. Encontramos los autovalores λi de la matriz A: si tenemos n


autovalores ya sabemos que es diagonalizable, si son menos por
ahora no podemos decir nada.
2. Encontramos los autovectores asociados a los autovalores λi
junto con sus subespacios asociados, y nos fijamos cuantos de
ellos linealmente independientes nos quedan. Si son menos que n,
ya no podemos hacer más nada, A no es diagonalizable. Si son n
entonces A es diagonalizable y podemos seguir.
3. Armamos la matriz P poniendo los autovectores en columnas, y
haciendo la multiplicación P-1AP, nos tiene que quedar una matriz
que en su diagonal tiene los autovalores de A, y el resto es nulo.

RESUMEN
Tenemos una matriz A. Un vector x se dice autovector de A, si existe un número λ
llamado autovalor, tal que se satisface la ecuación

Ax = λx ( para x ≠ 0 ).

Si reagrupamos los términos de la ecuación para un solo lado, vemos que es


equivalente decir que:

(A − λI) x = 0 ( donde I es la matriz identidad )

Y este sistema tiene solución si y sólo si el determinante de (A − λI) es nulo. ( Esto


asegura que (A − λI) no tenga inversa, pues de tenerla vemos que multiplicando por
ella a la ecuación, llegamos a un único resultado que es x = 0, pero esto es absurdo
pues partimos de que x sea ≠ 0 ). Por lo tanto, λ será tal que se cumpla la condición

det(A - λI) = 0 ( ← también llamada polinomio característico).

Una vez que encontramos cuáles son todos los autovalores λ que satisfacen, tenemos
ASIMOV - 114 - AUTOVALORES

que encontrar para cada uno, el vector x que cumpla la ecuación (A − λ I) x = 0.


Este vector x es el autovector correspondiente a ese autovalor λ.

¿ Y cuántos autovectores podemos tener por cada autovalor?

Si el autovalor es simple, es decir, si ese valor de λ es autovalor una sola vez, le


corresponde un único x. Ahora, el λ puede ser degenerado. Esto es, que su valor sea
autovalor 2 o más veces. En ese caso el lambda puede tener Nro de autovectores
desde uno hasta cuantas veces esté repetido. ( Nro de degeneración ). Para saber
exactamente cuántos, tenemos que hacer el cálculo, no hay forma de saberlo de
antemano.
ASIMOV - 115 - AUTOVALORES

AUTOVALORES Y AUTOVECTORES - EJERCICIOS DE PARCIALES

Tenemos que encontrar los autovectores de f y para esto, primero necesitamos


calcular los autovalores. Si M es la matriz que representa a f, los autovalores λ
satisfacen que:
Mx=λx o, lo que es lo mismo, ( M − λ ) x = 0
Y este sistema tiene solución si, y sólo si, det( M − λ ) = 0

Y estas ecuaciones las podemos pasar directamente a componentes cuando la matriz


actúa sobre vectores de una base y nos devuelve vectores expresados en la misma
base. En nuestro caso, la matriz de transformación de f, MB’B (f), actúa sobre un
vector expresado en base B’ y nos devuelve un vector en base B. Entonces acá, los
autovalores cumplen que

MB’ B (f)(x)B’ = λ (x)B

Pero acá tenemos un problemita, porque para resolver este sistema, es decir, para
encontrar los valores de λ para los cuales se satisface la igualdad precisamos tener al
vector x expresado en ambos lados de la ecuación en la misma base. Pero como ya
leímos el apunte teórico, al problemita lo teníamos, ya que sabemos que por medio de
la matriz de cambio de base CB’ B puedo expresar (x)B = CB’ B (x)B’ . De modo que si
reemplazamos esto en la ecuación anterior obtenemos

MB’ B (f)(x)B’ = λ CB’ B (x)B’

Y pasando todo pa’ la izquierda nos queda

( MB’ B (f) − λ CB’ B ) (x)B’ = 0 ( 1 )

Con la idea de que λ me quede multiplicado sólo por la matriz identidad, vamos a
multiplicar a toda la ecuación por el inverso de CB’ B. Como CBB’ = (CB’ B)−1 ,
entonces CBB’ CB’ B = I, y
ASIMOV - 116 - AUTOVALORES

⇒ ( C B B’ MB’ B (f) − λ I ) (x)B’ = 0 ( 2 )

MB’B’

Entonces vemos que vamos a encontrar los autovalores desde cualquiera de las dos
ecuaciones ( 1 ) o ( 2 ). Los sistemas correspondientes a estas ecuaciones, tienen
solución si, y sólo si

(1) → det ( MB’ B (f) − λ CB’ B ) = 0


(2) → det (MB’ − λ I ) = 0

Fijate que acá estamos viendo que existen 2 formas equivalentes de encontrar los
autovalores. Cuál de ellas es más simple y más corta, depende de qué matriz sea más
fácil de calcular, CB’ B o CBB’ . Para darnos cuenta de esto, es mejor hacer esta vez el
cálculo de las 2 maneras. Pero te dejo para vos hacerlo de la primera forma, ( que
desde ya te digo que es más fácil y directa ), así que no hay tutía y a hacerlo !!
De la segunda manera lo hacemos juntos.

Bien. Para plantear la ecuación ( 2 ) tenemos un pequeño detalle… primero


necesitamos calcular CBB’, lo cual es un detalle, pero no un problema pues sabemos
hacerlo. Es más, tenemos 2 formas de hallarla, una es escribir CB’ B y luego calculando
su inversa obtenemos la matriz que buscamos. Acá escribir CB’ B es simple, ya que son
los vectores de la base B’ puestos como columnas, esto es

⎛ 1 0 1⎞
⎜ ⎟
CB´B = ⎜ -1 1 1⎟
⎜ 0 1 1⎟
⎝ ⎠
Tal vez sea un poco cuentero calcular la inversa, pero nada complicado.
La otra forma, es expresar a los vectores de la base B en función de los de B’, y luego
colocar éstos como columnas formando directamente la matriz CBB’.
Ahora voy a hacerlo de esta última forma, pero estaría muy bueno que lo calcules
también de la otra manera, incluso tal vez te parezca más fácil. Eso depende de vos.
Y entonces… ¡¡ Manos a las cuentas !!

(v1 )B’ = a ( v1 − v2 ) + b ( v2 + v3 ) + c (v1 + v2 + v3 ) b+c=0 ⇒ b=−c


= ( a + c ) v1 + ( b + c − a ) v2 + ( b + c ) v3 b+c−a =0 ⇒ a = 0
χ χ χ a+c=1 ⇒ c = 1
1 0 0 → b = −1

⇒ (v1 )B’ = ( 0, −1, 1 )


ASIMOV - 117 - AUTOVALORES

De igual modo, …

(v2 )B’ = ( a + c ) v1 + ( b + c − a ) v2 + ( b + c ) v3 a+c=0 ⇒ c=−a c = 1


χ χ χ
b + c − a = 1 ⇒ a = −1
0 1 0
b + c = 0 ⇒ b = −1

⇒ (v2 )B’ = ( −1, −1, 1 )

(v3 )B’ = ( a + c ) v1 + ( b + c − a ) v2 + ( b + c ) v3 a+c=0 ⇒ a=−c


χ χ χ
c = −1
0 0 1
b+c−a =0 ⇒ a = 1
b+c=1 ⇒ b = 2

⇒ (v3 )B’ = ( 1, 2, −1 )

Y colocando estos vectores como columnas de una matriz por fin obtenemos

⎛ 0 -1 1 ⎞
⎜ ⎟
⇒ CB B´ = ⎜ - 1 - 1 2 ⎟
⎜ 1 1 -1⎟
⎝ ⎠

Y ahora sí, podemos continuar y calcular la matriz MB’ = CBB’ MB’ B (f), para luego
encontrar los λ tales que el det(MB’ − λ I ) = 0.

⎛ 0 -1 1 ⎞ ⎛-1 4 -1⎞ ⎛-1 4 0 ⎞


⎜ ⎟⎜ ⎟ ⎜ ⎟
MB´ = CB B´ MB´B = ⎜ - 1 - 1 2 ⎟ ⎜ 1 - 1 - 1 ⎟ = ⎜ 0 3 0 ⎟
⎜ 1 1 -1⎟ ⎜ 0 3 -1⎟ ⎜ 0 0 -1⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
Y
⎛-1 4 0 ⎞ ⎛ λ 0 0⎞ ⎛ -1 - λ 4 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
MB´ - λ I = ⎜ 0 3 0 ⎟ − ⎜ 0 λ 0 ⎟ = ⎜ 0 3-λ 0 ⎟
⎜ 0 0 - 1⎟ ⎜ 0 0 λ ⎟ ⎜ 0 0 -1 - λ ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠

-1 - λ 4 0
⇒ det (MB' - λ I ) = 0 3-λ 0 = ( - 1 - λ )2 ( 3 - λ ) = 0
0 0 -1- λ

Entonces, cuando λ tome los valores 3 y −1, se cumplirá la ecuación, y el sistema


tendrá solución. Y así los autovalores son λ 1 = 3 y λ 2 = λ 3 = −1.
Tenemos los autovalores, pero para responder a lo que nos piden en el problema,
ASIMOV - 118 - AUTOVALORES

todavía necesitamos hacer unos cálculos más, pues precisamos conocer a los
autovectores de f. Para hallarlos, precisamos resolver el sistemita

( MB’ − λ I ) (x)B’ = 0,

para cada valor en particular de λ. O sea, encontrar los autovectores (x)B’ que lo
satisfagan.
Si λ = 3
⎛ -4 4 0 ⎞ ⎛ x1 ⎞ ⎛ - x1 + x2 ⎞ ⎛ 0 ⎞ → x1 = x2
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⇒ (MB' - 3I )(x )B' = ⎜ 0 0 0 ⎟ ⎜ x2 ⎟ = 4 ⎜ 0 ⎟=⎜ 0 ⎟
⎜ 0 0 ⎟ ⎜ ⎟
- 4 ⎠ ⎝ x3 ⎠ ⎜ ⎟ ⎜ ⎟
⎝ ⎝ - x3 ⎠ ⎝ 0 ⎠ → x3 = 0

∴ El autovector correspondiente al autovalor λ = 3 es ( x1 )B’ = ( 1, 1, 0 )

Para λ = −1
⎛ 0 4 0 ⎞ ⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞ → x1 = 0
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⇒ (MB' − (-1) I ) (x )B' = ⎜ 0 4 0 ⎟ ⎜ x2 ⎟ = 4 ⎜ x2 ⎟ = ⎜ 0 ⎟ → x2 = 0
⎜ 0 0 0 ⎟⎠ ⎜⎝ x3 ⎟⎠ ⎜ 0⎟ ⎜0⎟
⎝ ⎝ ⎠ ⎝ ⎠

∴ El autovector correspondiente al autovalor λ = −1 es ( x2 )B’ = ( 0, 0, 1 )

Entonces vemos que f tiene sólo 2 autovectores ( expresados en B’, es decir, en una
base de V ) . Y nos piden encontrar, si es posible, una base de V formada por éstos.
Pero V tiene dimensión 3 ( es decir, cualquier base está formada por 3 vectores LI ),
por lo que no es posible dar una base de éste espacio con sólo 2 vectores LI ( los
autovectores de f ).
Nota: Sabemos que a un autovalor no degenerado, le corresponde sí o sí un único
autovector. Ahora, en el caso de tener un autovalor degenerado ( es decir, tenerlo
repetido, una o varias veces ( el −1 tiene degeneración 2 pues es autovalor 2 veces ),
le puede corresponder desde un autovector ( eso seguro ) hasta el número de
degeneración del autovalor ( es decir, el −1 puede tener 1 o 2 autovectores ).
Entonces fijate que si hacemos de nuevo éste o algún problema similar, de antemano
sabemos que el λ no degenerado nos da un autovector y que no tenemos certeza de
cuántos nos da el degenerado. Y ya vimos que vamos a poder dar una respuesta al
problema dependiendo de cuantos autovectores tengamos en total. Por lo tanto, para
ahorrarnos tiempo y cuentas, nos conviene comenzar el cálculo de los autovectores
correspondientes al λ degenerado. En este caso lo hicimos “al revés”, sólo para
percibir lo que acabamos de hablar y para refrescar la mente sobre como calcular
autovectores.
ASIMOV - 119 - AUTOVALORES

Precisamos encontrar los autovalores de f, pero su matriz de transformación no


actúa sobre un vector expresado en la misma base del vector que nos devuelve. Aquí
MBB’ (f) actúa sobre un (x)B y nos devuelve (x)B’. y así los autovalores λ satisfacen que

MBB’ (f)(x)B = λ (x)B’ = λ CBB’ (x)B ( ← pues (x)B’ = CB B’ (x)B )

( MBB’ (f) − λ CBB’ ) (x)B = 0 ( ← reagrupo los términos )

Y finalmente multiplicamos por CB’ B = ( CBB’ )−1 , pues CB’ B CBB’ = I

⇒ ( CB’ B MBB’ (f) − λ I ) (x)B = 0

MBB

( hicimos este ultimo paso porque, en este problema, calcular CB’ B es bastante más
simple que obtener CBB’ ). Por lo tanto, debemos resolver: det( MBB (f) − λ I) = 0, y
el primer paso para esto es calcular CBB’ y luego MBB.
Entonces, comenzamos escribiendo los vectores de la base B’ en la base B, para luego
colocarlos como columnas de una matriz, formando así CB’B:

( v1 + v2 − v3 )B = c1 v1 + c2 v2 + c3 v3 ⇒ c1 = 1, c2 = 1, c3 = −1
= ( 1, 1, −1 ) ⎛ 1 -1 -1⎞
⎜ ⎟
CB´B = ⎜ 1 -1 0 ⎟
( −v1 − v2 + 2 v3 )B = ( −1, −1, 2 )
⎜-1 2 1 ⎟
⎝ ⎠
( −v1 + v3 )B = ( −1, 0, 1 )

Y ahora, con esta matriz multiplicamos por el lado izquierdo a MBB’ para obtener la
tan buscada MB…

⎛ 1 -1 -1 ⎞ ⎛ 2 5 a ⎞ ⎛2 3 0⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
CB´B MB B' = ⎜ 1 - 1 0 ⎟ ⎜ 2 6 a ⎟ = ⎜ 0 - 1 0 ⎟ = MBB ( f )
⎜-1 2 1 ⎟ ⎜ − 2 − 4 0 ⎟ ⎜0 3 a⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
ASIMOV - 120 - AUTOVALORES

Calculemos entonces la matriz de la que obtendremos el determinante:

⎛ 2 3 0 ⎞ ⎛ λ 0 0 ⎞ ⎛ 2-λ 3 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
MBB ( f ) − λI = ⎜ 0 - 1 0 ⎟ - ⎜ 0 λ 0 ⎟ = ⎜ 0 -1 - λ 0 ⎟
⎜0 3 a⎟ ⎜0 0 λ⎟ ⎜ 0 3 a-λ ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠

Y finalmente encontramos el polinomio característico, cuyas raíces son los


autovalores buscados

2-λ 3 0 ⎧ λ1 = 2

det (MBB - λ I ) = 0 -1 - λ 0 =(2-λ )( - 1 - λ )( a - λ ) = 0 ⇒ ⎨ λ2 = - 1
0 3 a-λ ⎪ λ3 = a

Recordemos que en el problema nos están pidiendo dar los valores que debe tomar a
para que f tenga algún autovalor doble. Claramente vemos que:

Si a = 2 ⇒ tenemos un autovalor doble λ1 = λ3 = 2 y λ2 = −1

Si a = −1 ⇒ tenemos un autovalor doble λ2 = λ3 = −1 y λ1 = 2

Y ahora, para cada uno de estos valores de a, debemos determinar si f es diagona-


lizable. f digonizable? Recordemos…. Que una t.l. ( de dimensión 3 ) sea diagonalizable
significa que existe una base B = { x1, x2, x3 }, tal que f( xj ) = λj xj.
Es decir, debemos tener 3 autovectores asociados al conjunto de autovalores, sean
estos simples, dobles o triples. Por lo tanto, esto es lo que vamos a verificar, o no,
para cada valor de a.

Caso a = 2 ⇒ λ1 = λ3 = 2 y λ2 = −1
Sabemos que al autovalor simple le corresponde un autovector x1, pero como nuestro
interés es saber la cantidad de autovectores y no la forma de ellos, no es necesario
que lo calculemos. Lo importante es ver si el autovalor doble nos genera uno o dos
autovectores. Entonces… veámoslo !!

Siendo ( MBB(f) − λI ) xj = 0, la ecuación que satisfacen los autovectores xj, para λ =


2 tenemos que:

⎛ 0 3 0 ⎞ ⎛ x1 ⎞ ⎛ x2 ⎞ ⎛ 0 ⎞ x2 = ( 1, 0, 0 )
⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟
(MBB (f) − 2 I ) = ⎜ 0 - 3 0 ⎟ ⎜ x2 ⎟ = 3 ⎜ - x2 ⎟ = ⎜ 0 ⎟ ⇒
⎜ 0 3 0 ⎟⎠ ⎜⎝ x3 ⎟⎠ ⎜ x ⎟ ⎜0⎟ x3 = ( 0, 0, 1 )
⎝ ⎝ 2 ⎠ ⎝ ⎠
ASIMOV - 121 - AUTOVALORES

Vemos que el λ doble nos genera 2 autovectores. Por lo que en total tenemos 3
autovectores y como bien ya dijimos esto implica que la f es digonalizable.

Caso a = −1 ⇒ λ2 = λ3 = −1 y λ1 = 2

Al λ1 que es simple le corresponde un autovalor, llamemoslo x’1. Veamos cuántos


autovectores nos genera el λ doble:

⎛ 3 3 0 ⎞ ⎛ x'1 ⎞ ⎛ x'1 + x'2 ⎞ ⎛0⎞ x'1 = - x'2 ⎫


⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
(MBB (f) − ( - 1 ) I ) = ⎜ 0 0 0 ⎟ ⎜ x'2 ⎟ = 3 ⎜ 0 ⎟ = ⎜0⎟ ⇒ ⎬ x'1 = - x'2 = 0
⎜ 0 3 0 ⎟ ⎜ x' ⎟ ⎜ x'2 ⎟ ⎜0⎟ x'2 = 0 ⎪⎭
⎝ ⎠⎝ 3⎠ ⎝ ⎠ ⎝ ⎠

⇒ x'2 = ( 0, 0, 1 )

Y este autovalor doble sólo nos genera un autovector, por lo que tenemos un total de
2 autovectores ( y no 3 ) asociados a este conjunto de λ’s y, por lo tanto, f no es
diagonizable. En resumen…

a = 2 → f es diagonizable
f tiene autovalor doble si
a = −1 → f no es diagonizable

Nos están pidiendo encontrar, si es posible, a ∈ ℜ para que v ∈ Nu(f) y w ∈ Im(f),


donde llamamos v = ( 1, 2, 0 ) y w = ( 1, 3, 3 ). Que v ∈ Nu(f) significa que f(v) = 0.
Pero nosotros conocemos a la matriz asociada a la transformación f, MBB(f), que
actúa sobre vectores escritos en la base B que nos dan, y nos devuelve vectores
expresados en esa misma base. Por lo tanto esta matriz, actuando sobre las
componentes de v en la base B, debe mandarnos al vector nulo. Es decir

MBB(f) (v)B = 0.

Al hacer esta cuenta vamos a encontrar cuánto debe valer a para que la ecuación se
cumpla, pero antes debemos encontrar (v)B:
ASIMOV - 122 - AUTOVALORES

vB = ( 1, 2, 0 )B = c1 ( 1, 1, 1 ) + c2 ( 0, 1, 1 ) + c3 ( 0, 0, 1 )

= ( c1 , c1 + c2 , c1 + c2 + c3 )
Luego debe cumplirse que

⎧ c1 = 1

⎨ c1 + c2 = 2 ⇒ 1 + c2 = 2 ⇒ c2 = 1
⎪ c1 + c2 + c3 = 0 ⇒ 1 + 1 + c3 = 0 ⇒ c3 = - 2

⇒ vB = ( 1, 2, 0 )B = ( 1, 1, -2 )

Y teniendo este vector, podemos hacer la cuenta que queremos:

⎛ 1 -1 0 ⎞ ⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
MBB (f) (v )B = ⎜8 - a a 4⎟ ⎜ 1 ⎟ =⎜ 8 - a + a - 8 ⎟ =⎜ 0 ⎟
⎜ a2 0 2 ⎟⎠ ⎜⎝ - 2 ⎟ ⎜ 2
a - 4 ⎟ ⎜ 2 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ a - 4⎠

Pero dijimos que debe ser:


⎛ 0⎞
⎜ ⎟
MBB (f) ( v )B = ⎜ 0⎟ ⇒ a2 - 4 = 0 ⇒ a=±2
⎜ 0⎟
⎝ ⎠

Por lo tanto hay dos valores de a, 2 y −2, para los cuales se satisface que v ∈ Nu f.
Pero no sólo queremos que pase esto, también debe cumplirse que w ∈ Im f, lo que
significa que ∃ (existe) un u tal que f(u) = w. Pero debemos trabajar con la matriz de
transformación MBB(f), la cual nos devuelve vectores expresados en la base B;
entonces debemos expresar tanto a u como a w en esta base para plantear que
MBB(f)(u)B = (w)B.

Escribamos w como combinación lineal de los elementos de la base B, para encontrar


sus coordenadas en esta base:

wB = ( 1, 3, 3 )B = ( c1 , c1 + c2 , c1 + c2 + c3 ) ⇒ c1 = 1 ; c2 = 2 ; c3 = 0

⇒ (w)B = ( 1, 2, 0 )

Nos falta encontrar (u)B, pero como a u no lo conocemos explicitamente, podemos


decir que sus coordenadas en la base B son (u)B = ( u1, u2, u3 ).

Y ahora sí, podemos hacer el producto para encontrar qué valores de a lo satisfacen:
ASIMOV - 123 - AUTOVALORES

⎛ 1 - 1 0 ⎞ ⎛ u1 ⎞ ⎛ u1 - u2 ⎞ ⎛ 1 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
MBB (f) (u )B = ⎜ 8 - a a 4 ⎟ ⎜ u2 ⎟ = ⎜ ( 8 - a ) u1 + a u2 + 4 u3 ⎟ = ⎜ 2 ⎟ = (w )B
⎜ a2 0 2 ⎟⎠ ⎜⎝ u3 ⎟⎠ ⎜⎝ a 2 u1 + 2 u3 ⎟ ⎜ 0⎟
⎝ ⎠ ⎝ ⎠

Y para que la igualdad se cumpla, debe satisfacerse este sistema de ecuaciones:

⎧ u1 - u2 = 1 de la 1º y 3º podemos escribir u2 y u3 en función de u1



⎨ ( 8 - a ) u1 + a u2 + 4 u3 = 2 → u2 = u1 - 1
⎪ a 2 u1 + 2 u3 = 0 a2
⎩ → u3 = - u
2 1

Reemplazando estos valores en la 2º ecuación obtenemos:


a2
( 8 - a ) u1 + a ( u1 - 1 ) + 4 ( - u ) =2 ⇒ ( 8 - 2a 2 ) u1 - a = 2
2 1

⇒ Para que w ∈ Im(f), debe cumplirse ( 8 − 2a2 )u1 = 2 + a

Ya vimos que, en principio, los valores posibles de a son 2 ó −2 pues para estos valores
se satisface que v ∈ Nu(f). Veamos si la última ecuación planteada se cumple para
alguno de estos valores…
Si a = 2 → ( 8 − 2.4) u1 = 4 , pero 0 = 4 es absurdo !!!

∴ a = 2 no satisface lo pedido.

Si a = −2 → ( 8 − 2.4) u1 = 0 ⇒ 0 = 0 y la igualdad se satisface !!

Por lo tanto, el único valor de a para el cual v ∈ Nu (f) y w ∈ Im (f), es a = − 2.

FIN AUTOVALORES Y AUTOVECTORES

You might also like